聚类有助于解开人类大脑的秘密

作为研究工作，环境科学和神经科学可能看起来截然不同，但两者都需要分析和解释捕捉复杂时空过程的庞大数据集。

从统计上看，在这些数据集中寻找模式和关系是非常相似的，无论是全球温度的测量还是整个大脑的电活动。正是出于这个共同的目的，孙颖(Ying Sun)和埃尔南多·翁巴(Hernando ombao)两位KAUST大数据统计领域的顶尖研究员走到了一起。

一切都始于天气

在环境监测数据中，每个气象参数(温度、风速或降水)和每个测量站都代表固结的增加数据集．结果是一个非常大的数据集，其复杂性超出了传统的分析方法。

“我们专注于开发新的统计方法来分析复杂的高维数据环境科学孙说。

Sun和她的团队提出了一套新的统计方法来处理这些数据，包括处理非常大的数据集的高度灵活和计算效率的方法。

进入大脑

受到神经成像问题的启发，Ombao的团队一直在开发类似的统计工具，以更好地理解时空信号之间的关系和依赖关系。技术，例如功能性磁共振成像(fMRI)和脑电图(EEG)，以高维度捕捉大脑活动在时间和空间上的不同方面，在许多方面与孙团队正在研究的环境数据类型相似;因此，许多相同的统计方法都适用。

“我们的主要重点是了解大脑连接的作用及其与精神和神经疾病的关系，”Ombao说。"当你看着大脑的活动在美国，当一个人处理信息时，不同的区域被激活，一些区域以有组织或同步的方式做出反应。我们最近工作的目标是开发一种新的统计聚类方法它可以识别具有同步行为的大脑区域，并发现大脑信号之间的共同特征和分组模式，这可能有助于我们理解大脑功能连接。”

把它放在一起

Ombao认为，将聚类方法应用于脑信号数据时，最大的挑战是如何定义时间序列的特征，然后如何量化它们的相似性。该团队的研究考虑了两种不同的相似度来识别星团——光谱同步性和星团相干性。这些导致了脑电图数据的层次聚类算法的发展。

“研究大脑功能连通性的一种方法是在不同区域寻找相似的激活模式，”Ombao说。“现代脑电图技术允许我们在数百个通道上记录每毫秒的数据，这意味着即使是几分钟的记录也可以产生一个非常大的数据集。为了更有效地分析这些数据集，我们开发了两种聚类算法，计算速度快，并提供了大脑区域连通性的准确和可解释的摘要。”

脑电图信号通常是通过分析其频率组成来研究的，这类似于挑选出赋予不同乐器不同声音的谐波。频率组成的高度相似可能意味着两个信号在功能上是相连的。

博士后Carolina Euan与来自墨西哥数学研究中心的Ombao和Joaquín Ortega合作，开发了层次光谱合并聚类方法，以快速识别具有离散频段的相似信号组。然而，从功能连接性的角度来看，这些集群并不一定是相互依赖的。为了完善分析，Euan、Ombao和Sun共同研究了一种分层聚类相干方法，以识别在特定频段内高度依赖的聚类。

尤安说:“通过将我们的方法应用于脑电图数据，我们可以挑选出相互依赖的大脑区域，并识别出它们在功能上同步的潜在频段。”

接下来是什么?

“到目前为止，我们一次只考虑一个主题，”Ombao说。“接下来，我们计划模拟不同测试对象之间的聚类变异性，并了解在一系列刺激下聚类的演化。这种方法也可以用于比较健康受试者和脑卒中患者的脑网络聚类大脑病”。